理解信号负频率

zz/2024/4/19 23:40:40

本文转载自:sun_ic的电路设计漫谈之66: 负频率是怎么来的?

做信号处理或者频谱分析时, 总是遇到负频率的概念. 当年学这个理论, 在Fourier变换时作为一个函数的偶对称自然引入了, 虽然觉得奇怪但也没人追究, 记住那些方程变换等还来不及呢, 管它负频率什么意义了. 若干年之后用这一工具来解决一个 实际问题时,  不免对这个负频率的来历想追究一下.  它的物理意义是什么,为什么要引入这个概念.

本人翻阅了Morris Kline 的古今数学思想,还有一日本教育基金用漫画形式写的Who Is Fourier, 以及感觉最有帮助的Richard Lyons的understanding Digital Signal Processing. 终于对这个负频率的来历有了一个较为清晰的轮廓.原来在诸多专业和业余数学家们, 尤其欧拉没进来搅和之前, 一个通常的实际信号是可以没有负频率的,如下图1所示. 一个实信号只用一个实频域的频点表示即可 (当然还得另外表示相位,这也是后来引入复频域的好处).  即使用Fourier变换, 也可以把一个实信号表示成只具有实数的Sine/Cos级数或者积分变换. 这样一切频谱分量都是正的, 即级数n或积分区间取正.

上边的表述是显而易见的, 但有两个不方便的地方 1) 无法将幅度和相位统一表述  2) 做Cos或者Sin的运算会非常繁杂.伟大的欧拉建立起了复指数与Sin,Cos的对因关系 exp (jwt)= coswt + jsin(wt). 高斯和之前的一些业余数学物理学 家对复数理论 也有很大贡献. 复数的引入使得相位和幅度被统一到一个表达上,并且数学运算也方便多了. 但代价是得引入负频率这个怪异的东西.

图2是一个复指数信号的时域与复频域的表示方法.一个复平面上随时间旋转的点就是一个周期复指数信号的轨迹. 引入j 代表”垂直”分量  (最好别叫它虚数,而是称为一个旋转算子), 一个巧妙的解释就是当一个数乘以j后, 就代表其向量在复平面逆时针旋转90度. 同理乘以-j就是顺时针旋转90度 (-j=j*j*j, 相当于逆时针旋转三次). 1是实轴上一个数,乘以j旋转90度就变到j轴成为1j, 再乘以j再旋转90度就变成 -1. 所以在实轴上的sin(wt)乘以j后就变到j轴了. 这个解释是18世纪一个瑞士自学成才的记录员Argand 提出的.

复信号在时域中表示: 水平轴是一个cos分量, 垂直轴是个sin分量. 在复频域中表示, 逆时针旋转的是一个正频率分量. 顺时针旋转的是一个负频率分量. 这是负频率的根本来源.

周期复数信号也可以找到实际信号的对应. 比如经常举的一个示波器的例子. 信号通道(水平轴)接Cos信号. 触发通道 (垂直轴 ) 接一个同相sin信号,也就是构造出图2的各个分量,那么在屏幕上显示的就是逆时针旋转的一个点.

用复平面来表示一个实数信号, 通过欧拉公式变换一下是可能的, 参见图3所示. 但这样一来一个简单的cos 就要表示成两个复指 数的信号了, 一个是复时域逆时针旋转的具有正频率, 一个是复时域顺时针旋转的具有负频率. 从图2也很容易看出, 这两个复信号在 j 轴的分量方向相反, 相加后抵消, 只剩下实轴的cos分量.

图3的左图是cos信号在复频域上的表示. 对于sin信号在复频域的表示要稍微做点变换,也就是j算子的旋转功能: 负频率分量乘以j逆时针旋转一次. 正频率分量乘以-j:  先逆时针旋转90度,再逆时针旋转90+90度 (-1 = j * j).  或者视为 –j = j* j*j, 逆时针旋转三个90度. 所以负频率的表示,完全是由于引入了复数的原因. 有道是: 菩提本无树, 明镜亦非台J.

单一频率的时域信号比如cos和sin在复频域表现为正负对称的两个复数频率. 单一频率的复信号在复频域是单一频率,但在时域需要两个正交分量表示.

一般教科书论述负频率引入是在做积分变换时, 利用函数的对称性, 把(0, +无限) 对exp(-jwt)运算, 改为 (-无限, 0) 对exp(jwt) 的运算 , 然后就出来负频率了. 窃以为这很不负责然. 欧拉和之前Argand引入的旋转算法, 也就是richard在其书中所描述的负频率使用的方法, 是具有物理意义的理想表述.

本人认为频谱的实际物理意义, 应该是被分析信号与每个可能频率的相关程度的衡量 . Fourier变换可以认为是信号对每个周期波形求其全时域的相关性.  如果是一个1KHz的余弦实信号, 它跟以1KHz震荡的cos(2*pi*1000*t)信号相关度为1(不考虑相位的话), 跟其它频率的相关度是0,所以这个信号的频谱就是1KHz. 一个复杂的信号,跟每个频点的cos信号都有一点相关, 所以频谱就是一个频域0到无限的连续曲线. 记得光波导理论,用来分析光”波形”的变换是空间变换, 就是把光波形相关到每个空间基本单元,然后研究其”空间谱”的分布. 所有的这种变换,都是为了变换到一个域, 其运算比时域更简单,也更容易衡量其特性.

为什么任何信号都能表示为Sin和Cos函数的组合呢? 当然电信号的表述来自于电磁波的Maxwell方程. 其解就是波动的. 但如果YY一下, 感觉量子力学的波动性才是根源. 任何物理存在都是薛定谔方程的解.  所以电信号本质是是波动的组合,应该能表示成若干基本波动的组合.

顺带转述一下, 古今数学思想中介绍Fourier积分起源于寻求偏微分方程的封闭解.  Klein说Fourier积分的发明权现在无法定论.  因为Fourier(傅立叶), Cauchy(柯西), Poisson(泊松) 三人都向巴黎科学院宣读了之后才发表的论文, 这里都涉及了Fourier积分, 而每个人都听过别人的论文. 但最早Laplace所做的奠基性工作则无异议.


http://www.ngui.cc/zz/1998999.html

相关文章

古今数学史

1. 数学概念的提出 首先使用“函数”一词的是莱布尼兹(Leibnitz,1646年7月1日-1716年11月14日)自 17 世纪起近代数学产生以来,函数的概念一直处于数学思想的真正核心位置。 2. 数学流派 彼得堡学派: 彼…

数学沉思录:古今数学思想的发展与演变 (Mario Livio 著)

第1章 神秘的数学 (已看) 发现还是发明 第2章 神秘学:命理学家和哲学家 (已看) 毕达哥拉斯 进入柏拉图的洞穴 第3章 魔法师:大师和异端 (已看) 给我一个支点:我将撬起地球 阿基米德重写稿 <方法论> 阿基米德最优秀的学生 星际信使 自然之书 科学和神学 第4章 魔法师:怀疑…

《古今数学思想》 第二册

2015-09-15 在大学的时候&#xff0c;我就没有花多的时间来学习微积分&#xff0c;觉得这个知识实在没有使用场景&#xff0c;不值得花费过多的时间。一年半以前&#xff0c;如果我对微积分有更多的了解&#xff0c;就不会如此被动了。我多少是有一点后悔的。不过&#xff0c;幸…

古今数学思想

程序开发是一个咬定青山不放松的过程&#xff0c;系统程序设计离不开算法结构。 方法&#xff0c;思维&#xff0c;思想&#xff0c;是一个不断沉积&#xff0c;创新和变革的过程。 了解一下科学巨匠们的工作和成就的过程&#xff0c;那个过程或许充满温馨&#xff0c;或许充…

AI教父Hinton差点成为中国打工人...

本文转载自&#xff1a;品玩 作者&#xff5c;Decode邮箱&#xff5c;oudipingwest.com2013 年 3 月&#xff0c;Google 花费 4400 万美元收购了多伦多大学的一家初创公司 DNNResearch。这家公司在当时不仅没有任何产品&#xff0c;也压根没有生产产品的计划。它只有三位员工…

Hinton 论文系列《A fast learning algorithm for deep belief nets》

1 简介 本文根据2006年Hinton等人写的《A fast learning algorithm for deep belief nets》翻译总结。 学习一个紧密连接、有向的、有很多隐藏层的信念网络是很困难的&#xff0c;因为在给定一个数据向量下&#xff0c;很难推断隐藏活动下的条件分布。 本文中&#xff0c;我…

和 Geoffery Hinton 面对面聊聊

雷锋网 AI 科技评论按&#xff1a;在今年的谷歌 IO 2019 大会上有个环节&#xff0c;邀请了「深度学习教父」、也是 2018 年图灵奖获奖者之一的 Geoffery Hinton 聊一聊学术、非学术的各类话题。整个过程很轻松&#xff0c;就是聊聊各种话题&#xff0c;不过 Hinton 老爷子一如…

知识蒸馏(作者 HINTON ,JEFF DEAN)

1.soft targets 用教师网络预测出的soft targets作为学生网络的训练时的标签。 soft targets 的熵大包含更多的信息&#xff0c;而hard targets的熵小信息量小。 蒸馏温度T&#xff1a;加了温度T参数的softmax函数&#xff0c;在T1的时候就是softmax函数 softmax函数将模型的得…

译(自编码器) Hinton2006---Reducing the Dimensionality of Data with Neural Networks

Reducing the Dimensionality of Data with Neural Networks——使用神经网络降低数据维度 G. E. Hinton and R. R. Salakhutdinov 通过训练一个具有小的中间层的多层神经网络去重构高维输入向量&#xff0c;可以将高维数据转化为低维编码。在这种“自动编码器&#xff08;aut…

Hinton NIPS2017 手写识别实现 TensorFlow \ Pytorch \ Keras

10月26日&#xff0c;深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。今天相关关于这篇论文的TensorFlow\Pytorch\Keras实现相继开源出来&#xff0c;让我们来看下。论文地址&#xff1a;https://arxiv.org/pdf/1710.09829.…